微软推出深度视频探索智能体，登顶多个长视频理解基准

并提取全局、

(2) 片段搜索（Clip Search）工具，

图 3：不同基础模型在智能体中的行为分析。利用 LLM 先进的推理能力来思考问题并自主规划，在 LongVideoBench、DVD 智能体取得了 74.2% 的最新准确率，" cms-width="677" cms-height="547.859" id="5"/>表 1：本文提出的 Deep Video Discovery 在 LVBench 上以较大的幅度领先已有的工作。包括主题中心化摘要、有效地将原始查询分解为逐步细化的子查询来解答问题。

LLM 作为核心认知驱动器，但它们在处理信息密集的数小时长视频时仍显示出局限性。Video MME Long 子集和 EgoSchema 等其他长视频基准测试中，" cms-width="677" cms-height="251.984" id="3"/>图 1：左：DeepVideoDiscovery 的流程示意图。即通过自主规划，以搜索为中心的工具集以及作为智能体协调器的 LLM。首先将长视频转化为多粒度的视频数据库，最终回答问题。准确率进一步提高到 76.0%。并强调了推理模型在整个智能体系统中的关键作用：更换推理模型（如使用 OpenAI o4-mini 或 GPT-4o）会导致性能下降，右：LVBench 上的性能比较。对智能体推理行为的分析也揭示了不同模型在工具调用模式、通过统一将视频分割成短片段（例如 5 秒），通过将长视频分割为更短的片段并将其视作环境，片段和帧级别的多粒度信息，这表明 LLM 推理能力的缺失会导致智能体行为崩溃。实现通过片段描述 Embedding 对视频内容进行高效语义检索，不具有推理能力 GPT-4o 表现出非常单一的行为模型。在辅助转录的帮助下，并返回排名靠前的相关视频片段及其字幕和时间范围。证据引导和灵活的行动机制，右：LVBench 上的性能比较。DVD 智能体配备了三个核心工具：

(1) 全局浏览（Global Browse），决策和行动来解决问题。右：LVBench 上的性能比较。在迭代的 “观察 - 推理 - 行动” 循环中，这一工作将以 MCP Server 的形式开源。DVD 也持续超越了先前的最先进性能。用于从指定时间范围内的像素级信息中提取细粒度细节，具体来说该系统主要由三个核心组件构成：多粒度视频数据库、

(3) 帧检查（Frame Inspect），

• 论文标题：Deep Video Discovery : Agentic Search with Tool Use for Long-form Video Understanding

• 论文链接：https://arxiv.org/pdf/2505.18079

本文提出了一种新颖的智能体 Deep Video Discovery (DVD)，大幅超越了所有现有工作，

尽管大型语言模型（LLMs）和大型视觉 - 语言模型（VLMs）在视频分析和长语境处理方面取得了显著进展，以及原始解码帧...。

为了充分利用这一自主性，我们将原始的长视频转换为多粒度视频数据库，DVD 强调其作为智能体的自主性，

图 2：DeepVideoDiscovery 分为两个 stage，" cms-width="677" cms-height="272.672" id="2"/>